成功的大数据规划聚焦于四个核心要素：应用场景、数据产品、分析模型和数据资产。大数据规划第一个核心要素是应用场景的规划，企业需要确定不同业务投入大数据的优先级，确定大数据的切入点。在企业中，大数据应用场景包括业务运营监控、用户洞察与用户体验优化、精细化运营和营销、业务市场传播、经营分析等常见的方面。
当然，在人力资源、IT运维以及财务等方向也可以引入大数据，但企业不可能所有应用场景都一起实施大数据。因此，“数据能够在哪些领域实现业绩的大幅提高？数据能在哪些领域实现企业运营效率的提升？”这些问题很重要，一开始就必须提出来。企业高管实施大数据战略的时候需要高度重视这一步,但在国内很多企业往往忽略了这一方面，投入大数据往往不是以提升业绩为导向，而是以纯技术为导向，或者为了“赶潮流”，使得很多企业实施大数据却看不到数据对企业绩效的提升，从而使得大数据战略流产。
第二个核心要素是数据产品。在确定了大数据的业务投入优先级后，我们需要考虑的是如何通过数据产品帮助提升业务的绩效。为什么是“数据产品”而不是“数据工具”？这是因为“数据产品”比“数据工具”更加强调易用性和用户体验。
数据和分析模型本身的输出可能会比较复杂，比较难理解，这样往往导致经理或者一线员工等数据用户不能理解，更称不上运用。所以，只有数据产品在业务具体的场景运用的时候，以非常简单易用的方式来呈现，才能让更多的数据用户使用。
企业数据用户（往往是业务、产品、营销负责人等非大数据专业人士）在实际运用大数据的时候，更关注的是大数据产品在哪些方面可以直接帮忙提升绩效，不需要关注大数据这些产品背后的逻辑、分析模型等“黑洞”。
如果我们在提供数据产品的时候需要数据用户理解很多“黑洞”，那么数据一定运用不起来，数据的价值就会大打折扣。比如，数据产品可以告诉营销人员，您这次合作的营销推广渠道所带来的用户中有40%是作弊而来，我们把这些作弊渠道带来的用户叫“假量”。数据产品不需要告诉营销人员“假量”是如何计算的，知道结果和优化方向即可。或者通过数据产品可直接告诉营销人员，哪些产品和其他产品可以做交叉销售，数据产品可以根据用户需求自动实现交叉销售，从而进一步提高销售额。
第三个核心要素是数据模型。数据产品背后的“黑洞”是数据模型。数据的简单堆砌不会创造太多的业务价值，需要数据模型、数据挖掘的方法来实现海量数据的商业洞察。
常见的模型如预测和分类。在预测方面，可以通过高级的模型来预测哪些用户可能会付费，他们的特征是什么，经常在哪里出没；通过数据模型来预测付费客户的数量，以提前发现考核期结束后付费客户数量和KPI的差距以及优化方向；通过预测模型洞察用户的未来购买需求。在分类方面，可以通过分类模型结合大数据实现更准确、更实时的用户细分，或者通过分类模型对不同价值的客户进行合理的分类，确定服务的优先级和服务内容。
企业在制定大数据战略方向时，需要介入数据专家，根据应用场景和数据产品的输出选择模型以及优化模型，从而确定模型研发的方向和优先级。
第四个核心要素是数据资产。有了应用场景、数据产品和数据模型这三大方面，我们就能更清楚地知道：需要哪些数据，什么数据是企业现在拥有的，什么数据可以通过合作产生，什么数据需要外部整合，什么数据需要进行购买或投资。当我们合理地整理企业所拥有的数据，并整合有利于业务发展的外部的数据，形成系统化的管理，才能很好地形成企业的数据资产。
但在国内，最大的问题常常是各业务部门、各事业部以及职能部门的数据经常各自为政，数据存放在不同的数据库中，数据无法整合打通，企业内部形成各种孤岛，导致企业数据资产无法发挥整合效益，数据资产流失。要让企业的数据成为长期的数据资产，企业高管则需牵头规划，整合不同业务部门、不同事业部的数据，推动建设高数据质量的数据治理标准。
值得注意的是，为了加快大数据的推进速度，企业高管同时需要确定哪些方面需要企业自己开发实现，哪些方面需要委托第三方实现，哪些方面需要购买。在数据产品和数据模型方向，不一定所有工作都需要内部员工实现，领导层需要根据时间和自身资源（尤其是人力资源）的情况判断。
大数据在推进过程中，最关键的是高管重视，高管重视不仅仅是挂在口上，而是要考虑在决策层构建数据方向的决策力和领导力，否则企业很难把大数据用好。因此，需要在决策层增加数据高管，如果不增加新的数据高管力量，很多组织的大数据大计将难以启动。
因此，高管团队中需要有专人负责制定大数据战略、跟进、监控和指导大数据战略的实施。如果没有在高管团队设立相关的数据负责人的职位CDO（首席数据官），则很难把数据分析和数据挖掘所发现的机会应用于企业战略层的业务发展决策以及相应的组织层面的变革。
CDO是一个综合能力要求非常高的职位。CDO需要跟各业务负责人有很好的互动，深入了解业务和未来两三年的业务发展规划，在此基础上，制定在数据应用场景、数据产品化、数据建模、数据资产管理的战略并推动实施。
CDO在推动数据战略的实施过程中，还需要构建企业的数据化思维方式，推动构建相应的数据企业文化和制度，通过文化和制度使得大数据技术更有效地促进业务绩效的提升，企业运营效率的提升，甚至是新商业模式的变革。
这其中还有一个比较重要的问题是CDO的汇报对象的确定。很多人会问，CDO汇报给CEO、COO还是CTO？企业往往会陷入一个误区，觉得数据是技术工作，所以不少企业设立数据高管后，让数据高管直接向CTO汇报，这样的做法有可能导致数据和业务有较大的脱节。
我们的建议是，要根据企业实际情况选择CDO的汇报对象。如果您的大数据战略刚起步，还需要从搭建整个企业的大数据底层平台开始，大数据的业务应用短期内较少，那么大数据可以向CTO汇报；如果企业已经有一定的数据基础，数据平台已经成型，那么，我们建议CDO可以向COO或者CEO汇报，这样数据才能离业务更近，更能敏捷地应用于业绩的提升。我们所看到的大数据运用较好的企业，数据负责人经常和业务负责人一起制定公司大数据实施计划，一起推进大数据在业务绩效的提升。
企业的组织结构是企业战略能够顺利实施的基础，所以，大数据团队合理的组织架构设置对于大数据战略能否成功实施尤为关键。
国内很多企业往往忽略了这一方面。很多企业设立的数据团队缺乏统一规划，哪个事业部需要数据人员，则在该事业部（或业务部门）设立，如下图的“组织结构1”，这种组织架构最大的问题是数据分散，缺乏统一管理和整合，企业内部各事业群（或业务部门）的数据各自为政，形成数据孤岛，数据无法整合使用，导致数据资产流失。
另一种常见的做法是在公司只设立一个中央数据部门，该数据部门统一服务于各个事业部（或业务部门），各个事业部（或业务部门）没有数据人员或团队，如图中的“组织结构2”。这种组织架构的问题在于数据虽然集中管理，但数据远离业务，导致很多数据人员不了解业务，无法挖掘数据的价值，无法通过数据很好地辅助业务提升绩效或者运营效率。由于数据人员无法理解业务，导致数据库中存储的很多数据变成“死”数据，数据的业务含义少有人理解，数据的价值便容易流失。
我们认为，较为合理的数据团队在组织架构时应该这样设立（如图中的组织架构3）：首先是设立公司级的中央数据部门，集中存储和管理数据；其次是每个事业部（或业务部门）设立数据团队；第三是在总办设立CDO的岗位。这样的好处在于数据能够集中管理，数据贴近业务，可以更好地发挥数据价值；同时，在总办（高管团队）设立CDO岗位，可以让数据更好地为决策层服务，数据分析所发现的商业价值也可以更快地应用于业务战略调整。
大家较关心的是，在这个组织结构下，中央数据部门和各事业部（或业务部门）的数据团队有何差异。我们可以从两大方面来区分：
1、从汇报关系的差异来看
事业部的数据团队负责人向所属事业部的总负责人汇报，中央数据部门的负责人向CDO汇报。这样的汇报关系的好处在于，前者让数据能为具体的事业部服务辅助提升业绩，每个事业部必然有其不同的数据分析重点，这样可以让数据服务更有针对性。后者让数据更有大局观，能为总办做深度的数据洞察服务。
2、从团队工作职责差异来看
中央数据部门负责数据的规范化集中存储和管理，负责公司各业务线数据的整合打通，形成公司级统一的用户（客户）画像，负责标准化的数据产品并应用到各业务线中，形成深度的公司级的数据模型和算法，做出公司集团层面视角的分析和洞察。
事业部中的数据团队负责该事业群的日常统计分析和事业群专题类的深度洞察，并辅助事业群的技术人员合理的把数据规范的上报到中央数据部门，与中央数据部门合作，共同深刻理解该业务的数据结构、做更精细且与本部门关联性更高的用户画像等与业务关联度更高的数据工作，推动该事业群所有数据的集中化到中央数据部门，并辅助推动公司级的数据产品应用到本业务部门或者向中央数据部门提出数据产品化、数据建模的需求。
人才是大数据战略实施至关重要的方面，如果组织缺乏合适的人才或能力，大数据战略实施的结果很可能会令人沮丧。因此，企业做好相应的人才规划，按照合理的规模和构成来建设人才库。
上文提到，在合理的大数据组织架构下，有两类数据团队，一类是各事业部中的数据团队；第二类是中央数据部门的数据团队。事业部的数据团队能力要求是数据分析为主，招聘数据分析师或数据分析专家。
而中央数据部门的数据能力要求较为复杂，包括六大方面的能力，即数据分析、用户研究、数据产品、算法工程、数据统计和数据平台。
在此，我们介绍中央数据部门六大方向的能力要求：
（1）数据分析团队负责公司级的业务数据体系梳理和建设、公司级的业务专题数据分析和收入分析。此处的数据分析团队能力要求与事业部中的数据分析团队类似，区别主要是分析视角有所不同，中央数据部门的数据分析团队要站在整个公司的角度审视业务，洞察不同业务的问题，发现机会；
（2）用户研究团队负责用户调研（调查问卷、座谈会、访谈以及眼动仪等）、口碑监测、产品体验分析等方面。用户研究团队主要面对小数据，但由于用户研究可以发现大数据所不能发现的用户使用行为背后的动机及态度等，所以，用户研究团队与数据分析团队两者结合，将能实现大小数据结合全方面洞察用户的作用；
（3）数据产品团队负责把分析能力产品化、或者基于算法或者模型所产生的数据产品（如渠道防作弊系统、个性化推荐系统等）、数据平台相应系统的产品化、数据可视化等方面的工作。该团队人员类型有数据产品经理、前台开发以及交互设计师等；
（4）算法工程团队主要负责算法研究并把算法能力嵌入到业务的流程或者业务产品中，帮助业务提升业务绩效或者提升运营效率。研究的方向包括分类算法、个性化推荐算法、基于数据挖掘的客户生命周期管理等方向。算法工程团队主要是招聘算法工程师，对数据敏感，要求数学和机器学习方面的能力较高，同时算法工程化的能力较好；
（5）数据统计团队主要负责完成各事业部提出的统计需求，并把统计结果展示到报表系统，同时还负责元数据管理、数据处理、数据统计、数据质量控制和维护等方面的工作。
（6）数据平台团队主要负责数据统计产品的后台开发、数据仓库建设、数据接入系统、计算任务调度系统、元数据管理系统和实时计算能力的建设等方面的工作。
大数据的顺利实施还需要构建数据决策的企业文化和相关的制度来保驾护航。大数据没有企业高管的重视，没有一线员工积极参与，在实施时会变得效率很低。通过企业文化和相关的制度调动组织的积极性，才能让大数据的实施取得更好效果，具体做法有三方面：
（1）转变思维方式，形成数据决策的文化。如果要构建数据决策的文化，企业负责人则需要形成看数据的习惯，比如通过邮件看每天关键指标的日报、看每周周报，看月报、季报等。无论是日报周报还是月报，一旦发现数据有异动，则马上回复邮件问数据异动原因。同时，在做相关决策的时候，形成用数据决策的习惯，让下属提供充足的数据决策依据，这样会驱动员工更关注数据。
（2）相关岗位能力增加数据分析能力。在企业可能用数据较多的位如运营、客户服务、营销、人力资源、产品设计等岗位增加数据分析能力的要求，员工在晋升的时候，需评审其数据分析能力，需举证相关的数据支撑日常工作的案例。
（3）通过系统化培训培养员工的数据分析能力。由专业数据分析人员和算法人员设计的数据分析解决方案或产品，必须以简单易用的方式提供给一线员工，同时，更为重要的是加强相关解决方案的或者数据产品的系统化培训，让更多员工意识到这些解决方案或者产品的价值，并乐于在日常工作中使用。有很多企业往往陷入一个误区，将绝大部分资金如超过80%用于建立模型或者开发数据产品，仅有很少的资金投入到一线的使用。我们的建议是，如果让大数据产品或者解决方案更为广泛被一线员工接受，数据建模/数据产品研发的费用和培训的投入应该是对半分的。为了更好地推进培训，企业还可考虑成立兴趣驱动的数据协会，让更多员工加入到该协会中，定期举行培训课程、研讨沙龙以及聘请外部专家作相关分享以开拓视野。
总之，企业要启动大数据战略，要想让大数据提升企业运营效率以及提升业务绩效，需要从大数据整体规划、高层团队的CDO设立、组织结构的调整和优化、大数据团队的架构和企业文化与制度等五大方面，制定符合企业情况的执行方案，让大数据渗透到企业的“骨骼”和“血液”中。
End.
作者：傅志华 （中国统计网特邀认证作者）
